支持向量机matlab实例及理论_2013120慧知文库.DOCVIP

 HYPERLINK  支持向量机matlab实例及理论原文地址：/view/c93713c35b52c6a3a403b413718fddde.html 支持向量机 matlab 分类实例及理论 线性支持向量机可对线性可分的样本群进行分类，此时不需要借助于核函数就可较为理想地解 决问题。非线性支持向量机将低维的非线性分类问题转化为高维的线性分类问题，然后采用线性支持 向量机的求解方法求解。此时需要借助于核函数，避免线性分类问题转化为非线性分类问题时出现的 维数爆炸难题，从而避免由于维数太多而无法进行求解。 第 O 层：Matlab 的 SVM 函数求解分类问题实例 0.1Linear classification(线性分类) %Two Dimension Linear-SVM Problem, Two Class and Separable Situation %Method from Christopher J. C. Burges: %A Tutorial on Support Vector Machines for Pattern Recognition, page 9 %Optimizing ||W|| directly: % % Objective: Subject to: min f(A)=||W|| , yi*(xi*W+b)-1=0, p8/line26 function (12); clear all; close all clc; sp=[3,7; 6,6; 4,6;5,6.5] nsp=size(sp); sn=[1,2; 3,5;7,3;3,4;6,2.7] nsn=size(sn) sd=[sp;sn] lsd=[true true true true false false false false false] Y = nominal(lsd) figure(1); subplot(1,2,1) plot(sp(1:nsp,1),sp(1:nsp,2),m+); hold on plot(sn(1:nsn,1),sn(1:nsn,2),c*); subplot(1,2,2) svmStruct = svmtrain(sd,Y,showplot,true); % negative sample points % positive sample points 0.2 NonLinear classification（非线性分类）（平方核 函数） clear all; close all clc; sp=[3,7; 6,6; 4,6; 5,6.5] nsp=size(sp); sn=[1,2; 3,5; 7,3; 3,4; 6,2.7; 4,3;2,7] nsn=size(sn) sd=[sp;sn] lsd=[true true true true false false false false false false false] Y = nominal(lsd) figure(1); subplot(1,2,1) plot(sp(1:nsp,1),sp(1:nsp,2),m+); hold on plot(sn(1:nsn,1),sn(1:nsn,2),c*); subplot(1,2,2) % svmStruct = svmtrain(sd,Y,Kernel_Function,linear, showplot,true); svmStruct = svmtrain(sd,Y,Kernel_Function,quadratic, showplot,true); % use the trained svm (svmStruct) to classify the data % negative sample points % positive sample points RD=svmclassify(svmStruct,sd,showplot,true) % RD is the classification result vector 0.3 Gaussian Kernal Classification（高斯核函数分 类） clear all; close all clc; sp=[5,4.5;3,7; 6,6; 4,6; 5,6.5] nsp=size(sp); sn=[1,2; 3,5; 7,3; 3,4; 6,2.7; 4,3;2,7] nsn=size(sn) sd=[sp;sn] lsd=[true true true true true false false false false false false false] Y = nominal(lsd) fig